Deteksi penipuan: mesin versus manusia?

Oleh Ian Carman, Direktur Layanan Penyelidikan Inggris

Teknologi kecerdasan buatan (AI) dan pembelajaran mesin sangat membantu dalam mendeteksi perilaku dan aktivitas yang mencurigakan.

Namun, identifikasi penipuan asuransi dan validasi klaim tetap menjadi salah satu bidang di mana teknologi masih memerlukan intervensi manusia.

Ini bukan soal mesinversusmanusia; sebenarnya, keduanya saling melengkapi. Dalam menganalisis ribuan klaim, analisis forensik gambar, dan analisis prediktif, Anda akan menemukan bahwa hal-hal ini adalah tugas yang tidak dapat dilakukan oleh petugas klaim atau penyelidik penipuan dengan kecepatan dan tingkat akurasi yang sama. Teknologi ini berhasil mengurangi hasil positif palsu dan menghasilkan hasil yang dapat diandalkan sambil mempercepat proses penyaringan penipuan.

Pendekatan terpadu

Tidak ada satu solusi tunggal untuk mengidentifikasi klaim mencurigakan, itulah mengapa diperlukan pendekatan terpadu – menggunakan teknologi untuk memproses volume besar dengan cepat, kecerdasan buatan (AI) untuk mengidentifikasi pola mencurigakan, dan ilmu perilaku untuk membantu mengelola diskusi dengan pelanggan. Meskipun AI tidak membuat keputusan, AI membantu mengarahkan petugas klaim dan penyelidik ke arah yang benar. Dengan cepat mengenali masalah, AI dapat membantu mengidentifikasi isu spesifik yang menandakan klaim layak untuk diselidiki. Seorang penyelidik penipuan selalu diperlukan untuk memproses hasilnya. Selain itu, data meningkat dua kali lipat setelah kunjungan virtual atau fisik, yang menekankan pentingnya penyelidikan satu lawan satu.

Deteksi penipuan oleh pemegang polis merupakan hal yang sensitif dan memerlukan keterampilan manajemen percakapan yang kuat — didukung oleh analisis risiko suara digital. Proses ini harus dikelola dengan hati-hati — dirancang sedemikian rupa sehingga penipu menyadari bahwa mereka telah terungkap. Dalam kebanyakan kasus, mereka akan memilih untuk menarik diri dari klaim — reaksi yang dapat dipertimbangkan oleh perusahaan asuransi secara kasus per kasus.

Lanskap yang lebih luas

Tren baru juga terus bermunculan, dengan penipu yang terus mencari cara alternatif untuk melakukan penipuan. Beruntungnya, teknologi kini memungkinkan kita untuk mendeteksi lonjakan aktivitas baru pada tahap awal. Machine learning bahkan dapat mendeteksi penipuan oportunis – misalnya, dengan mengidentifikasi saat pelanggan mulai menyadari dan memanfaatkan batas klaim. Dalam bidang tanggung jawab dan cedera pribadi, selain pola penipuan klasik, teknologi juga dapat mendeteksi pengacara dan dokter yang memiliki hubungan yang sama, merujuk pada posting media sosial, dan menggabungkan semuanya untuk mengidentifikasi perilaku yang berpotensi penipuan.

AI menganalisis lanskap yang lebih luas, dengan perspektif big data terhadap perilaku penipuan – mulai dari penggelembungan klaim hingga aktivitas kriminal terorganisir yang canggih – dibandingkan dengan apa yang terjadi di pasar. Penerapan teknologi baru ini membuat tim anti-penipuan lebih efisien, memastikan upaya penyelidik dan pengeluaran bisnis difokuskan pada kasus-kasus yang paling kuat.

Wawasan data

Mendeteksi penipuan hanyalah sebagian kecil dari gambaran keseluruhan. Teknologi juga dapat memberikan wawasan dini tentang tren penipuan baru, dengan detail tingkat mikro – kode pos, jenis klaim, dan orang-orang yang terlibat – yang memberdayakan penyelidik dengan informasi akurat saat kejadian berlangsung. Hal ini dapat membantu penilai risiko dan tim penjualan bertindak cepat dan menghentikan area atau portofolio bisnis yang mulai mencurigakan.

Berbagi informasi

Di balik teknologi inovatif terdapat data berkualitas. Meskipun terdapat kolaborasi dan berbagi data yang baik melalui sistem berbasis motor, CUE, dan MIAFTR, industri asuransi dapat memperoleh manfaat dari penggabungan data yang lebih luas. Mengkategorikan penipuan secara spesifik dan seragam, daripada menggunakan istilah yang sangat luas seperti 'motor' atau 'cedera pribadi', juga akan menjadi langkah maju. Asosiasi Asuransi Inggris (ABI) telah mengidentifikasi seperangkat jenis penipuan yang disepakati, yang seharusnya mengarah pada standarisasi yang lebih besar dalam cara berbagai jenis penipuan diklasifikasikan. Beberapa perusahaan asuransi juga telah berbagi strategi berbasis lawan, terutama dalam asuransi properti komersial, yang merupakan tanda positif lainnya. Kolaborasi industri secara luas ini – sebuah 'perjanjian tim penipuan' – akan memberikan manfaat besar di tahun-tahun mendatang.

Penggunaan teknologi inovatif pasti akan terus berkembang. Saat ini, segalanya berfokus pada kecepatan dan kinerja. Pelanggan yang jujur mengharapkan klaim mereka diselesaikan dengan cepat dan tanpa gangguan yang signifikan. Namun, deteksi penipuan tidak harus bertentangan dengan pengalaman pelanggan yang positif, dan identifikasi cepat kasus yang mencurigakan sangat penting untuk memberantas tren penipuan yang sedang berkembang.

Blog ini mencakup cuplikan dariwebinarSedgwick yang baru-baru ini diadakan oleh Ian Carman, di mana panel ahli industri mendiskusikan kombinasi kecerdasan buatan dan kecerdasan manusia dalam upaya melawan penipuan.

Terima kasih banyak kepada para panelis berikut ini atas partisipasinya:

• Dan Edwards, Manajer Klaim Tanggung Jawab, Enterprise Rent-A-Car
• Arnaud Grapinet, Kepala Ilmuwan Data, Shift Technology
• Kevin Kingdon, Manajer Penipuan Properti Komersial, Aviva
• Simon Roylance, mengklaim pencegahan kejahatan, LV
• Stephen Dalton, Kepala Intelijen dan Penyelidikan, IFB